Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 5

Analysis of Event-Related Potentials for Emotion Recognition

Analiza potencjałów wywołanych (ERPs) na potrzeby rozpoznawania emocji

10.15199/48.2024.05.56

nr katalogowy: 148641
10.15199/48.2024.05.56

Streszczenie

The primary objective of this study was to determine the feasibility of classifying emotions into three categories (positive, negative, and neutral) using event-related potentials (ERPs) for individual users. Visual stimuli from the International Affective Picture System (IAPS) database were utilized. Various features, such as signal samples, discrete wavelet transform, discrete Fourier transform, and discrete cosine transform, were computed from one-second electroencephalographic signal (EEG) segments following the presentation of the stimulus. For the classification task, a one-nearest neighbor classifier (1-NN) was employed. The research yielded a system for preprocessing and classifying emotions. The study involved eight participants. The experiments presented in this paper demonstrate the possibility of distinguishing emotions into three categories (pleasant, unpleasant, and neutral) for a single user, achieving an average accuracy level of 87%. However, when considering all users collectively, we achieved a classification accuracy of 96%.

Abstract

Głównym celem artykułu było określenie możliwości klasyfikacji emocji w podziale na trzy kategorie (pozytywne, negatywne i neutralne) przy użyciu potencjałów wywołanych (ERPs) dla poszczególnych użytkowników. Wykorzystano bodźce wizualne z bazy danych International Affective Picture System (IAPS). Jako cechy zastosowano: próbki sygnału, dyskretna transformacja falkowa, dyskretna transformacja Fouriera oraz dyskretna transformacja kosinusowa, uzyskane z jednosekundowych segmentów sygnału elektroencefalograficznego (EEG) po prezentacji bodźca. Do zadania klasyfikacji zastosowano klasyfikator najbliższego sąsiada (1-NN). W wyniku prac powstał system do klasyfikowania emocji. W badaniu uczestniczyło ośmioro uczestników. Eksperymenty przedstawione w tym artykule pokazują możliwość rozróżniania emocji na trzy kategorie (przyjemne, nieprzyjemne i neutralne) dla jednego użytkownika, osiągając średni poziom dokładności 87%. Jednakże, biorąc pod uwagę wszystkich użytkowników łącznie, osiągnięto dokładność klasyfikacji na poziomie 96%.

Słowa kluczowe

Keywords

Bibliografia

[1] P. A. Pérez-Toro, J. C. Vásquez-Correa, T. Bocklet, E. Nöth, and J. R. Orozco-Arroyave, “User State Modeling Based on the Arousal-Valence Plane: Applications in Customer Satisfaction and Health-Care,” IEEE Transactions on Affective Computing, vol. 14, no. 2, pp. 1533–1546, Apr. 2023, doi: 10.1109/TAFFC.2021.3112543.
[2] F. Dolcos and R. Cabeza, “Event-related potentials of emotional memory: Encoding pleasant, unpleasant, and neutral pictures,” Cognitive, Affective, & Behavioral Neuroscience, vol. 2, no. 3, pp. 252–263, Sep. 2002, doi: 10.3758/CABN.2.3.252.
[3] E. H. Houssein, A. Hammad, and A. A. Ali, “Human emotion recognition from EEG-based brain–computer interface using machine learning: a comprehensive review,” Neural Comput & Applic, vol. 34, no. 15, pp. 12527–12557, Aug. 2022, doi: 10.1007/s00521-022-07292-4.
[4] N. S. Suhaimi, J. Mountstephens, and J. Teo, “EEG-Based Emotion Recognition: A State-of-the-Art Review of Current Trends and Opportunities,” Computational Intelligence and Neuroscience, vol. 2020, p. e8875426, Sep. 2020, doi: 10.1155/2020/8875426.
[5] P. Zhong, D. Wang, and C. Miao, “EEG-Based Emotion Recognition Using Regularized Graph Neural Networks,” IEEE Transactions on Affective Computing, vol. 13, no. 3, pp. 1290–1301, Jul. 2022, doi: 10.1109/TAFFC.2020.2994159.
[6] X. Li et al., “EEG Based Emotion Recognition: A Tutorial and Review,” ACM Comput. Surv., vol. 55, no. 4, p. 79:1-79:57, Nov. 2022, doi: 10.1145/3524499.
[7] S. A. Shankman and D. N. Klein, “The relation between depression and anxiety: an evaluation of the tripartite, approach-withdrawal and valence-arousal models,” Clinical Psychology Review, vol. 23, no. 4, pp. 605–637, Jul. 2003, doi: 10.1016/S0272-7358(03)00038-2.
[8] R. N. Newsome, M. R. Dulas, and A. Duarte, “The effects of aging on emotion-induced modulations of source retrieval ERPs: evidence for valence biases,” Neuropsychologia, vol. 50, no. 14, pp. 3370–3384, Dec. 2012, doi: 10.1016/j.neuropsychologia.2012.09.024.
[9] G. Hajcak and T. A. Dennis, “Brain Potentials During Affective Picture Processing in Children,” Biol Psychol, vol. 80, no. 3, pp. 333–338, Mar. 2009, doi: 10.1016/j.biopsycho.2008.11.006.
[10] O. Pollatos, W. Kirsch, and R. Schandry, “On the relationship between interoceptive awareness, emotional experience, and brain processes,” Brain Res Cogn Brain Res, vol. 25, no. 3, pp. 948–962, Dec. 2005, doi: 10.1016/j.cogbrainres.2005.09.019.
[11] L. Carretié and J. Iglesias, “An ERP study on the specificity of facial expression processing,” International Journal of Psychophysiology, vol. 19, no. 3, pp. 183–192, Apr. 1995, doi: 10.1016/0167-8760(95)00004-C.
[12] A. R. Hidalgo-Muñoz et al., “Application of SVM-RFE on EEG signals for detecting the most relevant scalp regions linked to affective valence processing,” Expert Systems with Applications, vol. 40, no. 6, pp. 2102–2108, May 2013, doi: 10.1016/j.eswa.2012.10.013.
[13] P. Murugappan, R. Nagarajan, and S. Yaacob, “Combining Spatial Filtering and Wavelet Transform for Classifying Human Emotions Using EEG Signals,” Journal of Medical and Biological Engineering, vol. 31, pp. 45–51, Nov. 2010, doi: 10.5405/jmbe.710.
[14] C. A. Frantzidis et al., “On the classification of emotional biosignals evoked while viewing affective pictures: an integrated data-mining-based approach for healthcare applications,” IEEE Trans Inf Technol Biomed, vol. 14, no. 2, pp. 309–318, Mar. 2010, doi: 10.1109/TITB.2009.2038481.
[15] P. Hot, Y. Saito, O. Mandai, T. Kobayashi, and H. Sequeira, “An ERP investigation of emotional processing in European and Japanese individuals,” Brain Research, vol. 1122, no. 1, pp. 171–178, Nov. 2006, doi: 10.1016/j.brainres.2006.09.020.
[16] B. Chakravarthi, S.-C. Ng, M. R. Ezilarasan, and M.-F. Leung, “EEG-based emotion recognition using hybrid CNN and LSTM classification,” Frontiers in Computational Neuroscience, vol. 16, 2022, Accessed: Jul. 04, 2023.
[Online]. Available: https://www.frontiersin.org/articles/10.3389/fncom.2022.1019 776
[17] M. Ramzan and S. Dawn, “Fused CNN-LSTM deep learning emotion recognition model using electroencephalography signals,” International Journal of Neuroscience, vol. 133, no. 6, pp. 587–597, Jun. 2023, doi: 10.1080/00207454.2021.1941947.
[18] M. M. Bradley and P. J. Lang, “International Affective Picture System,” in Encyclopedia of Personality and Individual Differences, V. Zeigler-Hill and T. K. Shackelford, Eds., Cham: Springer International Publishing, 2017, pp. 1–4. doi: 10.1007/978-3-319-28099-8_42-1.
[19] H. Cecotti, M. P. Eckstein, and B. Giesbrecht, “Single-Trial Classification of Event-Related Potentials in Rapid Serial Visual Presentation Tasks Using Supervised Spatial Filtering,” IEEE Transactions on Neural Networks and Learning Systems, vol. 25, no. 11, pp. 2030–2042, Nov. 2014, doi: 10.1109/TNNLS.2014.2302898.
[20] M. I. Singh and M. Singh, “Emotion Recognition: An Evaluation of ERP Features Acquired from Frontal EEG Electrodes,” Applied Sciences, vol. 11, no. 9, Art. no. 9, Jan. 2021, doi: 10.3390/app11094131.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-5 , nr katalogowy 148641 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-5 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-5

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma